用 web-harvest 挖掘需要的数据-非决定性因素-搜狐博客
来源:百度文库 编辑:神马文学网 时间:2024/04/19 05:28:42
首先,在官方网站下载web-harvest,目前最新版本是1.0,下载页面分三个下载包,分别是webharvest1-exe.zip,webharvest1-bin.zip,webharvest1-project.zip,他们没实质区别,第一个是包含了全部第三方包(一起打入了同一个jar文件直接可运行),第二个做为一个中间件出现,附带了所有独立的第三方jar包,第三个则是源码,当然要最大的灵活性自然选择下载源码了:》
下载下来后再eclipse建立一个空项目,把所有解压出来的文件夹仍进去,然后把src和config设为source folder(源码目录) 然后看到default包下面有个Test.java的文件,下面我们来看看这个文件:
ScraperConfiguration config = newScraperConfiguration("c:/temp/scrapertest/dddd.xml");
Scraperscraper = new Scraper(config, "c:/temp/scrapertest/");
scraper.setDebug(true);
long startTime =System.currentTimeMillis();
scraper.execute();
System.out.println("time elapsed: " + (System.currentTimeMillis() -startTime));
除去log4j的注解外,剩下的就是这几行代码啦,我们看到运行挖掘任务只需要3行代码,创建config,用config和挖取到数据存储目录做参数创建Scraper,然后执行就OK。
好了,先试试,它能不能工作,在刚才解压出来的文件中,有一个examples文件夹下面有很多,配置文件可以先试试手,首先,看看图片挖取的例子google_images.xml,更改上面的两行代码
ScraperConfiguration config = newScraperConfiguration("E:/workspace/webharvest/examples/google_images.xml");
Scraper scraper = new Scraper(config, "E:/workspace/webharvest/examples/");
然后运行这个Test在console窗口会看到抓取过程,完成后再E:\workspace\webharvest\examples\google_images目录下就能看到刚才抓取到的所有图片了,抓取非常简单,到此为止,我们看看他的配置文件,google_images.xml到底有什么魔法。
在google_images.xml中,这个配置文件中首先引用了一个functions.xml,在google_images.xml同级目录下,我们先看看这个文件。这个文件中定义了一个function(函数)名字是download-multipage-list虽然不符合java函数定义规则,但是这里只是一个函数名,函数return了一个循环出来的结果集,empty标记表示其中的执行结果不包含在返回结果集内,那么主要返回的就是:
循环的主体主要实现读取数页(多少页由$maxloops变量决定)的数据.
现在看看empty内部的功能:
首先
是定义一个content变量,内容是访问${pageUrl}页面内容。
接着:
是用xpath表达式(${nextXPath})取content变量内部的值(也就是刚才${pageUrl}页面解析)得到下一页的URL地址。
${sys.fullUrl(pageUrl.toString(),nextLinkUrl.toString())}
对pageUrl重新赋值,将下一页赋值给pageUrl下次循环读下一页数据解析。
好了这个函数简单的说就是用来分页取数据的。
回到google-images.xml文件我们继续看:
很简单,定义一个变量做搜索条件给url中,然后用html-to-xml标记把http标记访问url的页面html内容转换为xml,最后用xpath一个表达式得到页面真实的url(看来google确实比较麻烦,其他网站可以直接得到url的)。
这段的功能就是调用分页函数,把itemXPath参数中的xpath表达式内容,限定解析的页面内容封装成一个list啦
首先定义了4个参数,然后调用functions定义的download-multipage-list函数,最后将返回值赋给imgLinks(这就完成了图片url的抓取工作了)。
虽然已经完成了抓取过程,但是图片还没有保存在本地呢,这里我们就要循环调用file标签,来把url中的图片逐一保存在本地啦。
这里很简单,需要注意的就是loop循环,比较不同的是loop必须包含一个list和body,会把list逐一迭代出来,body代码中有句sys.fullUrl函数,是用来处理抓到的相对地址修正为完整的http开头的绝对地址,参数url是前面我们定义的,link是loop循环体变量在循环里面定义的。
看完了这个我们做个我们看到只要用xpath表达式,对任何页面的相对位置抓取都不是问题了。
Web-harvest已经解决了大部分问题,我们要做的就是写配置文件了。